Mistral har udgivet Voxtral, selskabets første familie af modeller med åbne vægte til transskription og lydforståelse. De officielle tests viser stærk flersproget talegenkendelse og gode svar på spørgsmål om lyd, men de to modelstørrelser stiller vidt forskellige krav til hardwaren. Her er, hvad udgivelsen faktisk understøtter, og hvorfor Whisper Notes stadig bruger mindre modeller, der er bygget til transskription, på almindelig Apple-hardware.
Hvilke to modeller er der?
Mistral udgav to checkpoints under Apache 2.0-licensen i juli 2025:
Voxtral Small 24B
- •24 mia. parametre
- •Transskription, oversættelse, spørgsmål og svar om lyd samt opsummering
- •Kontekstvindue på 32k
- •Ca. 55 GB GPU-hukommelse i bf16/fp16
Voxtral Mini 3B
- •3 mia. parametre
- •De samme lyd- og tekstopgaver i et mindre checkpoint
- •Officielt tiltænkt lokal kørsel og edge-enheder
- •Ca. 9,5 GB GPU-hukommelse i bf16/fp16
Er vægtene åbne, og hvilken licens gælder?
Begge checkpoints fra 2025 har åbne vægte under Apache 2.0-licensen. Du kan selv downloade og køre dem:
- ✓ Alle modelvægte er tilgængelige
- ✓ Du kan selv hoste eller tilpasse dem inden for Apache 2.0-licensen
- ✓ Ingen API-betaling til Mistral, når du hoster selv; du betaler stadig for din egen regnekraft
- ✓ Lyden behandles på dine egne servere
Kilder: Mistrals udgivelse af Voxtral, det officielle modelkort for Voxtral Small og det officielle modelkort for Voxtral Mini.
Hvad viser testene?
Mistrals udgivelse sammenligner den gennemsnitlige ordfejlrate (makrogennemsnit) på engelske sæt med korte og lange optagelser, Mozilla Common Voice, FLEURS og Multilingual LibriSpeech. I Mistrals egne FLEURS-resultater slår Voxtral Small Whisper på alle de testede opgaver. Lavere WER er bedre:
FLEURS-WER fra Mistrals lanceringstest vist mod den anslåede API-pris; både testresultater og priser kan ændre sig
FLEURS viser kun en del af transskriptionskvaliteten. Resultaterne er rapporteret af Mistral selv, så sammenlign de offentliggjorte testdefinitioner, og test dine egne sprog, mikrofoner og optageforhold, før du vælger en model.
Voxtral vs. Whisper: hvilken skal du bruge?
Testresultater fortæller kun en del af historien. Sådan klarer de to modelfamilier sig på de punkter, der betyder noget, hvis du selv vil køre en af dem:
| Voxtral Small | Voxtral Mini | Whisper Large v3 | Whisper Large-v3 Turbo | |
|---|---|---|---|---|
| Sprog | 8 primære sprog | 8 primære sprog | 100+ | 100+ |
| Open source | Ja | Ja | Ja | Ja |
| Modelstørrelse | 24 mia. parametre; ~55 GB GPU-hukommelse i bf16/fp16 | 3 mia. parametre; ~9,5 GB GPU-hukommelse i bf16/fp16 | 1,55 mia. parametre | 809 mio. parametre (~1,6 GB modelfil; ca. 2 GB at downloade i Whisper Notes) |
| Praktisk på en almindelig Mac | Ikke i fuld præcision på typisk hardware | Muligt med en kompatibel runtime; tungere end Turbo | Ja | Ja |
Kort sagt: Voxtral Small har stærke WER-resultater og kan forstå lyd, hvilket Whisper slet ikke forsøger. Voxtral Mini er det checkpoint, Mistral målretter mod lokal kørsel og edge-enheder, men det officielle modelkort angiver stadig ca. 9,5 GB GPU-hukommelse i bf16/fp16. Til en transskriptionsapp for almindelige brugere er Whisper Large-v3 Turbo fortsat lettere at bygge ind, og den dækker langt flere sprog. Derfor kombinerer Whisper Notes i dag Whisper Turbo med den indbyggede Parakeet-model (Parakeet Ultra fra Moondream, videretrænet fra NVIDIA Parakeet V3) og SenseVoice i stedet for Voxtral.
Hvad koster API'et, og hvad koster det at hoste selv?
Pr. 10. juli 2026 angiver Mistrals modelkort prisen for lydinput til Voxtral Small som $0.004 pr. minut. Ved forespørgsler om lydforståelse afregnes tekstinput og genereret tekst separat. Hoster du selv vægtene under Apache 2.0, betaler du ikke noget til Mistrals API, men du betaler for hardware og drift.
Mistral API
Selvhostede vægte
Hvordan virker Voxtral?
Det officielle modelkort beskriver Voxtral som en sprogmodel med en lydencoder og en særlig transskriptionstilstand. Begrænsningerne, der betyder noget for et produkt, er konkrete:
1. Multimodal arkitektur
Voxtral tager imod lyd og tekst i den samme samtale i stedet for kun at omsætte tale til tekst:
- •Særlig tilstand til direkte transskription
- •Spørgsmål og svar om lyd samt strukturerede resuméer
- •Flere lydinput og samtaler om lyd over flere omgange
Grænse for lange optagelser
Kontekstvinduet på 32k rækker til op til 30 minutters lyd ved transskription eller 40 minutter ved bredere lydforståelse.
2. Sprog og evaluering
Mistral angiver otte primære sprog med automatisk sproggenkendelse:
- •Engelsk, spansk, fransk, portugisisk, hindi, tysk, nederlandsk og italiensk
- •Testene omfatter FLEURS, Mozilla Common Voice og Multilingual LibriSpeech
- •Udgivelsen evaluerer også korte og lange engelske optagelser hver for sig
3. Krav til kørsel
Åbne vægte betyder ikke, at hvert checkpoint er lille nok til alle enheder:
- •Voxtral Small kræver ifølge modelkortet ca. 55 GB GPU-hukommelse i bf16/fp16
- •Voxtral Mini er checkpointet på 3B, beregnet til lokal kørsel og edge-enheder
- •Mistral anbefaler vLLM til at køre de udgivne checkpoints
4. Vigtigste funktioner
Forståelse af indhold
Kan besvare spørgsmål og lave resuméer direkte ud fra lyd inden for grænsen på 32k kontekst.
Flersproget
Genkender og transskriberer automatisk otte primære sprog: engelsk, spansk, fransk, portugisisk, hindi, tysk, nederlandsk og italiensk.
Støj
Den officielle evaluering omfatter forskellige taledatasæt, men Mistral lover ikke generelt gode resultater på alle støjfyldte optagelser.
Kørsel på edge-enheder
Voxtral Mini er muligheden til lokal kørsel og edge-enheder. Det officielle modelkort angiver ca. 9,5 GB GPU-hukommelse i bf16/fp16.
5. Arkitektur
Tre hovedkomponenter:
- 1. Lydencoder: Omsætter lydbølgen til lærte lydrepræsentationer
- 2. Projektor: Overfører lydrepræsentationerne til sprogmodellens skjulte rum
- 3. Sprogmodel: Genererer transskriptioner, svar, resuméer eller værktøjskald
Den opbygning forklarer, hvorfor Voxtral kan mere end at transskribere, men den betyder også langt større sprogmodelvægte end i en ren transskriptionsmodel som Whisper Turbo.
Hvorfor giver Whisper Notes stadig mening?
Voxtral og Whisper Notes løser forskellige problemer. Voxtral kombinerer transskription med lydforståelse; Whisper Notes fokuserer på privat transskription, der er nem at køre på almindelig Apple-hardware.
Hvad Whisper Notes tilbyder
Privatliv
- •100 % offline behandling
- •Ingen dataoverførsel
- •Ingen afhængighed af skyen
Ydelse
- •Whisper-teknologi med dokumenteret nøjagtighed
- •Optimeret til Apple-chips
- •Pålidelige resultater
Pris
- •Engangskøb; købet i App Store og Mac-appen fra vores hjemmeside sælges separat
- •Ingen betaling pr. minut
- •Op til 24 timer pr. fil
Brugeroplevelse
- •Enkel brugerflade
- •Jævnlige opdateringer
- •Løbende forbedringer
Krav til lagerplads
Voxtral Small er en servermodel i fuld præcision: det officielle modelkort angiver ca. 55 GB GPU-hukommelse. Voxtral Mini er beregnet til lokal kørsel og edge-enheder, men modelkortet angiver stadig ca. 9,5 GB GPU-hukommelse i bf16/fp16. Whisper Turbo er ca. 2 GB at downloade i appen, og det passer bedre til Whisper Notes i dens nuværende form.
Whisper Notes bruger Whisper Large-v3 Turbo, fordi den giver en god balance mellem ydelse, hastighed og krav til grafikhukommelse i hverdagen. Vi skifter til bedre modeller, når de findes med rimelige ressourcekrav.
Voxtral er et godt valg, når du har brug for spørgsmål og svar om lyd, opsummering eller kørsel på dine egne servere. Whisper Notes er lavet til enkeltpersoner, der vil have privat transskription og intet løbende abonnement.
Hvad betyder det?
Voxtral er et vigtigt skridt for modeller med åbne vægte, fordi den ikke kun genkender tale, men også kan ræsonnere over lyden.
Til privat offline transskription på Mac og iPhone er mindre, specialiserede motorer fortsat lettere at pakke og køre stabilt.
Vil du sammenligne alle de lokale muligheder? Alle talemodeller i Whisper Notes, fra Parakeet og Whisper til Qwen3-ASR og SenseVoice, sammenlignes sprog for sprog på vores side med sammenligning af Whisper-modeller.
Ofte stillede spørgsmål
Hvad er Mistral Voxtral?
Voxtral er Mistrals familie af modeller med åbne vægte til transskription og lydforståelse. Udgivelsen i juli 2025 omfatter Voxtral Small 24B til serveropgaver og Voxtral Mini 3B til lokal kørsel og edge-enheder. Begge checkpoints er udgivet under Apache 2.0-licensen.
Kan Voxtral køre lokalt på en Mac?
Vægtene kan downloades og hostes selv, men de to størrelser stiller forskellige krav. Voxtral Small kræver ca. 55 GB GPU-hukommelse i bf16/fp16 og hører derfor hjemme på en server. Voxtral Mini er checkpointet til lokal kørsel og edge-enheder; modelkortet angiver ca. 9,5 GB i bf16/fp16, og den faktiske hastighed og hukommelse på en Mac afhænger af runtime og kvantisering.
Bruger Whisper Notes Voxtral?
Nej. Whisper Notes kører Parakeet (standardmodellen på Mac), Whisper Large-v3 Turbo og SenseVoice. Modellerne er valgt, fordi de giver en god balance mellem ydelse, hastighed og krav til grafikhukommelse i hverdagen på en Mac med Apple-chip. Vi tager bedre modeller i brug, så snart de er praktiske at køre på almindelig hardware.
Hvor mange sprog understøtter Voxtral?
De officielle modelkort angiver otte primære sprog med automatisk sproggenkendelse: engelsk, spansk, fransk, portugisisk, hindi, tysk, nederlandsk og italiensk. Mistral evaluerer også arabisk i FLEURS, men det står ikke på modelkortets liste over primære sprog.
Hvornår blev Mistral Voxtral udgivet?
Mistral udgav Voxtral den 15. juli 2025. De første checkpoints under Apache 2.0 var Voxtral Small 24B og Voxtral Mini 3B.
Download til iOS